首页|几种机器学习算法的锂电池SOC估计研究

几种机器学习算法的锂电池SOC估计研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
荷电状态(SOC)是锂电池管理系统的重要参数,对其能否准确估计关系到电池系统的优化和使用寿命.为了消除传统方法在SOC估计精度、实时性等方面的不足,提出了一种改进的估计锂电池SOC的LightGBM算法.在Panasonic-18650PF-Data公开数据集的基础上应用其进行锂电池SOC估计,减小数据训练误差,并评估机器学习模型的泛化误差.将随机森林、支持向量机、线性回归及神经网络等常用估计模型算法作为对比.数据表明,改进的Light-GBM算法估计时间为随机森林的1/22、支持向量机的1/88 及神经网络的1/1 330,估计误差低于0.06.研究表明,该方法初步解决了现有锂电池SOC估计方法速率慢、拟合率低的问题,并拓展了该算法新的应用场景.
Research on SOC estimation of lithium batteries using several machine learning algorithms

lithium-ion batterystate of charge(SOC)LightGBM algorithmsmachine learning

张志冬、李云伍、李杨柳、梁新成

展开 >

西南大学 工程技术学院,重庆 400715

西南大学 计算机信息与科学学院软件学院,重庆 400715

锂电池 荷电状态(SOC) LightGBM算法 机器学习

重庆市科委项目

cstc2021jcyjmsxmX1062

2023

10.3969/j.issn.1674-8425(z).2023.09.005

重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
年,卷(期)：2023.37(17)
  • 14